論文の概要: A Survey on Spectral Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2302.05631v1
• Date: Sat, 11 Feb 2023 09:16:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 19:30:58.562316
• Title: A Survey on Spectral Graph Neural Networks
• Title（参考訳）: スペクトルグラフニューラルネットワークに関する一検討
• Authors: Deyu Bo, Xiao Wang, Yang Liu, Yuan Fang, Yawen Li, Chuan Shi
• Abstract要約: 本稿では,モデル,理論,応用を含むスペクトルGNNの最近の展開を要約する。 まず、空間GNNとスペクトルGNNの関連性について検討し、スペクトルGNNがグローバルな情報を捕捉し、より理解しやすいことを示す。 さらに、スペクトルGNNの主要な理論的結果と応用をレビューし、その後、人気のあるスペクトルGNNをベンチマークするための定量的実験を行った。
• 参考スコア（独自算出の注目度）: 42.469584005389414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) have attracted considerable attention from the research community. It is well established that GNNs are usually roughly divided into spatial and spectral methods. Despite that spectral GNNs play an important role in both graph signal processing and graph representation learning, existing studies are biased toward spatial approaches, and there is no comprehensive review on spectral GNNs so far. In this paper, we summarize the recent development of spectral GNNs, including model, theory, and application. Specifically, we first discuss the connection between spatial GNNs and spectral GNNs, which shows that spectral GNNs can capture global information and have better expressiveness and interpretability. Next, we categorize existing spectral GNNs according to the spectrum information they use, \ie, eigenvalues or eigenvectors. In addition, we review major theoretical results and applications of spectral GNNs, followed by a quantitative experiment to benchmark some popular spectral GNNs. Finally, we conclude the paper with some future directions.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、研究コミュニティからかなりの注目を集めている。 GNNは通常、空間的およびスペクトル的手法に大別される。 スペクトルGNNはグラフ信号処理とグラフ表現学習において重要な役割を担っているが、既存の研究は空間的アプローチに偏りがあり、スペクトルGNNに関する包括的なレビューは今のところない。 本稿では,モデル,理論,応用を含むスペクトルGNNの最近の展開を要約する。 具体的には、まず、空間GNNとスペクトルGNNの関連性について議論し、スペクトルGNNがグローバル情報を捕捉し、表現性や解釈性が向上することを示す。 次に, 既存のスペクトルGNNを, 使用するスペクトル情報, \ie, eigenvalues, eigenvectorsに基づいて分類する。 さらに,スペクトルgnnの主要な理論結果と応用を概観し,スペクトルgnnを定量的に評価する実験を行った。 最後に,今後の方向性で論文をまとめる。

関連論文リスト

• Benchmarking Spectral Graph Neural Networks: A Comprehensive Study on Effectiveness and Efficiency [20.518170371888075]
  周波数パースペクティブに着目したスペクトルGNNを広範囲にベンチマークする。 我々はこれらのスペクトルモデルを、グラフ計算と効率的なトレーニングスキームを備えた統合されたフレームワークで実装する。 我々の実装は、同等の性能とオーバーヘッドの少ない大きなグラフ上でのアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2024-06-14T02:56:57Z)
• A Manifold Perspective on the Statistical Generalization of Graph Neural Networks [84.01980526069075]
  我々は、スペクトル領域の多様体からサンプリングされたグラフ上のGNNの統計的一般化理論を確立するために多様体の視点を取る。 我々はGNNの一般化境界が対数スケールのグラフのサイズとともに線形に減少し、フィルタ関数のスペクトル連続定数とともに線形的に増加することを証明した。
  論文  参考訳（メタデータ） (2024-06-07T19:25:02Z)
• Rethinking Spectral Graph Neural Networks with Spatially Adaptive Filtering [31.595664867365322]
  スペクトルグラフニューラルネットワーク(GNN)はスペクトル領域において十分に確立されているが、近似への実際の依存は空間領域への深いリンクを意味する。 スペクトルと空間アグリゲーションの間に理論的な関係を確立し、スペクトルが元のグラフを適応した新しいグラフに暗黙的に導く本質的な相互作用を明らかにする。 本稿では,非局所的な補助的なアグリゲーションのためのスペクトルフィルタリングにより適応された新しいグラフを利用する空間適応フィルタリング(SAF)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-17T09:12:31Z)
• Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
  異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。 具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。 グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
  論文  参考訳（メタデータ） (2022-02-14T23:07:47Z)
• Bridging the Gap between Spatial and Spectral Domains: A Unified Framework for Graph Neural Networks [61.17075071853949]
  グラフニューラルネットワーク(GNN)は、古典的なディープラーニングが容易に管理できないグラフ構造データを扱うように設計されている。 本研究の目的は,スペクトルグラフと近似理論に基づいてGNNを統合する統一フレームワークを確立することである。
  論文  参考訳（メタデータ） (2021-07-21T17:34:33Z)
• Eigen-GNN: A Graph Structure Preserving Plug-in for GNNs [95.63153473559865]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 既存のGNNモデルの多くは浅く、本質的に機能中心である。 我々は,既存の浅いGNNがグラフ構造をよく保存できないことを経験的かつ解析的に示す。 本稿では,グラフ構造保存におけるGNNの能力を高めるプラグインモジュールであるEigen-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-08T02:47:38Z)
• Bridging the Gap between Spatial and Spectral Domains: A Survey on Graph Neural Networks [52.76042362922247]
  グラフニューラルネットワーク(GNN)は、非ユークリッドグラフ構造を扱うように設計されている。 既存のGNNは様々な手法を用いて提示され、直接比較と相互参照がより複雑になる。 既存のGNNを空間およびスペクトル領域に整理し、各領域内の接続を公開する。
  論文  参考訳（メタデータ） (2020-02-27T01:15:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。